鄉(xiāng)村振興背景下吉林省農(nóng)村居民幸福感差異分析

張桂穎，劉曉微

鄉(xiāng)村振興戰(zhàn)略的提出將農(nóng)村農(nóng)業(yè)的發(fā)展重新提到新的戰(zhàn)略位置，農(nóng)民是鄉(xiāng)村振興的主體，鄉(xiāng)村振興就是為了使廣大農(nóng)村居民獲得更多的幸福感.農(nóng)村居民的幸福感得到了越來越多的關(guān)注，已有研究較多關(guān)注了農(nóng)村居民幸福感的影響因素［1-3］，也關(guān)注了農(nóng)村居民幸福感的評價指標(biāo)體系的構(gòu)建［4-5］.鄉(xiāng)村振興戰(zhàn)略實施后農(nóng)村居民的幸福感有沒有差異？這些差異又會和哪些因素有關(guān)？這些問題的解決對于因地制宜制定政策提升農(nóng)村居民幸福感顯然意義重大，然而已有研究缺乏從鄉(xiāng)村振興的視角來對農(nóng)村居民幸福感進行差異性分析，本文將在已有研究的基礎(chǔ)上，從鄉(xiāng)村振興視角分析農(nóng)村居民幸福感的差異性，為提升農(nóng)村居民幸福感提供理論基礎(chǔ).

1 問卷調(diào)查

吉林省是農(nóng)業(yè)大省，發(fā)展的基礎(chǔ)、潛力和后勁都在“三農(nóng)”.吉林省在實施鄉(xiāng)村振興戰(zhàn)略過程中，因地制宜，精準(zhǔn)施策，把工作做細做實，一步一個腳印往前走，力圖讓鄉(xiāng)村振興戰(zhàn)略的各項舉措落地生根、開花結(jié)果，最大限度滿足億萬農(nóng)民對美好生活的向往.2019 年11～12 月，課題組成員通過調(diào)查問卷和面對面訪談形式，采用隨機分層抽樣方法，以吉林省農(nóng)村居民為調(diào)研對象獲取數(shù)據(jù)資料.本次調(diào)查共發(fā)放問卷900 份，有效問卷876 份，有效率為97.33%.問卷分為兩個部分：第一部分是農(nóng)民的基本信息，包括性別、年齡、受教育程度和收入；第二部分是農(nóng)民的幸福感六個維度，包括農(nóng)民對生活滿意、期待滿意、生態(tài)滿意三方面的滿足感；公共文化、社會公平、教育事業(yè)三方面的文明感；鄉(xiāng)村治理、社會治安、社會和諧三方面的安居感；生活富裕、基礎(chǔ)設(shè)施、社會保障三方面的富裕感；生活心態(tài)、人際關(guān)系、身體健康、當(dāng)前收入四方面的獲得感；生活預(yù)期、幸福預(yù)期兩方面的希望感.為了便于對幸福感的測量，使用李克特量表的構(gòu)造，轉(zhuǎn)化成滿意度的回答，即：非常滿意、比較滿意、一般滿意、不滿意、非常不滿意，分別賦予5、4、3、2、1 分，得分越高即代表農(nóng)民幸福感越高.

2 模型構(gòu)建

2.1 因子分析模型

因子分析模型是主成分分析模型的推廣，它也是利用降維的思想，從研究原始變量相關(guān)矩陣內(nèi)部的依賴關(guān)系出發(fā)，把一些具有錯綜復(fù)雜關(guān)系的變量歸結(jié)為少數(shù)幾個綜合因子的一種多變量統(tǒng)計分析方法［6］.

假設(shè)原來有p個變量，X1,X2,…,Xp，并且每個變量都進行過標(biāo)準(zhǔn)化處理，均值為0，方差為1，因子分析的數(shù)學(xué)模型如下：

將此式記為X=AF+ε，其中X=(X1,X2,…,Xp),F=(F1,F2,…,Fm),ε=(ε1,ε2,…,εp),F1,F2,…,Fm為公共因子相互獨立，ε1,ε2,…,εp為特殊因子相互獨立，特殊因子與公共因子之間也相互獨立，A為系數(shù)矩陣.

本文在共同度作用較大，特殊因子之間相關(guān)性帶來的影響幾乎可以忽略假設(shè)的前提下，利用主成分法計算因子載荷矩陣.設(shè)隨機向量X=(X1,X2,…,Xp) 的相關(guān)矩陣為R，λ1,λ2,…,λp(λ1≥λ2≥…≥λp) 為R的 特 征 根，γ1,γ2,…,γp為R的各特征根對應(yīng)的標(biāo)準(zhǔn)正交特征向量，則因子載荷矩陣的一個解為：

本文采用正交旋轉(zhuǎn)的最大方差法來對因子進行旋轉(zhuǎn)，并采用最小二乘法利用回歸的思想求出線性組合系數(shù)的估計值F?=A′R-1X.

2.2 系統(tǒng)聚類

系統(tǒng)聚類是聚類分析中使用最多的方法，其過程為：假設(shè)總共有n個樣品，第一步，將每個樣品（或變量）獨自聚成一類，共有n類；第二步，根據(jù)所確定的樣品（或變量）“距離”公式，把距離較近的兩個樣品（或變量）聚合為一類，其他的樣品（或變量）仍各自聚為一類，共聚成n-1 類；第三步，將“距離”最近的兩個類進一步聚成一類，共聚成n-2類；……，以上步驟一直進行下去，最后將所有樣品（或變量）全聚成一類.本文是樣品聚類分析問題，在計算樣品與樣品之間距離時采用的是平方歐氏距離，而在計算兩類之間的距離時采用類平均法中的組間聯(lián)結(jié)法進行系統(tǒng)聚類，即設(shè)某一步Gp與Gq合并成Gr，它們各有np,nq,nr(nr=np+nq)個樣品，則某一類Gk與新類Gr之間的距離公式為：

2.3 K-均值聚類

K-均值聚類分析方法借助于將每一個樣品分配給最近中心的類中的思想.第一步把樣品粗略分成K個初始類；第二步進行修改，逐個分派樣品到其最近均值的類中去（通常用標(biāo)準(zhǔn)化數(shù)據(jù)或非標(biāo)準(zhǔn)化數(shù)據(jù)計算歐氏距離）.重新計算接受新樣品的類和失去樣品的類的形心（均值）；第三步重復(fù)第二步，直到各類無元素進出.

3 模型結(jié)果分析

3.1 因子分析賦值

本文為確保問卷可信度在數(shù)據(jù)統(tǒng)計分析之前進行了信效度檢驗，問卷幸福感六個維度的測量項目Cronbach’sα值為0.972，信度較好［7］.問卷中潛變量的度量方式均采用成熟量表，并在預(yù)調(diào)研時進行修正，以保證較好的效度.信效度檢驗之后，本文運用SPSS 19.0 統(tǒng)計軟件采用因子分析方法對農(nóng)村居民幸福感的各維度指標(biāo)賦值.

（1）農(nóng)村居民滿足感.采用KMO 檢驗和Bartlett 球形度檢驗進行因子分析適宜性檢驗，對滿足感3 個變量的KMO 和Bartlett 球形度檢驗結(jié)果如表1 所示.

表1 滿足感的KMO 和Bartlett 球形度檢驗

從表1 可以看出，KMO 檢驗值為0.731，且Bartlett 球形度檢驗值在1‰的統(tǒng)計標(biāo)準(zhǔn)內(nèi)顯著達到1 696.894，因此滿足感觀測變量因子分析有效.

本文首先按照特征值大于1 的標(biāo)準(zhǔn)抽取出公因子得出各公因子得分，之后用每個公因子方差貢獻率占所選因子總方差貢獻率的比率為權(quán)重進行加權(quán)匯總，得出最終滿足感的得分.特征值及方差貢獻率情況如表2 所示，根據(jù)提取原則提取1 個公因子，該公因子得分即為滿足感的指數(shù).

表2 滿足感的公共因子及方差貢獻率

（2）農(nóng)村居民文明感.對文明感3 個變量的KMO 和Bartlett 球形度檢驗結(jié)果如表3 所示.

表3 文明感的KMO 和Bartlett 球形度檢驗

從表3 可以看出，KMO 檢驗值為0.741，且Bartlett 球形度檢驗值在1‰的統(tǒng)計標(biāo)準(zhǔn)內(nèi)顯著達到1 807.693，因此農(nóng)村居民文明感觀測變量因子分析有效.

特征值及方差貢獻率情況如表4 所示，根據(jù)上述的公因子提取原則和計算方法，共提取1 個公因子，該公因子得分即為文明感的指數(shù).

表4 文明感的公共因子及方差貢獻率

（3）農(nóng)村居民安居感.對安居感3 個變量的KMO 和Bartlett 球形度檢驗結(jié)果如表5 所示.

表5 安居感的KMO 和Bartlett 球形度檢驗

從表5 可以看出，KMO 檢驗值為0.710，且Bartlett 球形度檢驗值在1‰的統(tǒng)計標(biāo)準(zhǔn)內(nèi)顯著達到1 243.665，因此農(nóng)村居民安居感觀測變量因子分析有效.

特征值及方差貢獻率情況如表6 所示，根據(jù)上述的公因子提取原則和計算方法，共提取1 個公因子，該公因子得分即為安居感的指數(shù).

表6 安居感的公共因子及方差貢獻率

（4）農(nóng)村居民富裕感.對富裕感3 個變量的KMO 和Bartlett 球形度檢驗結(jié)果如表7 所示.

從表7 可以看出，KMO 檢驗值為0.736，且Bartlett 球形度檢驗值在1‰的統(tǒng)計標(biāo)準(zhǔn)內(nèi)顯著達到2 050.378，因此農(nóng)村居民富裕感觀測變量因子分析有效.

表7 富裕感的KMO 和Bartlett 球形度檢驗

特征值及方差貢獻率情況如表8 所示，根據(jù)上述的公因子提取原則和計算方法，共提取1 個公因子，該公因子得分即為富裕感的指數(shù).

表8 富裕感的公共因子及方差貢獻率

（5）農(nóng)村居民獲得感.對獲得感4 個變量的KMO 和Bartlett 球形度檢驗結(jié)果如表9 所示.

表9 獲得感的KMO 和Bartlett 球形度檢驗

從表9 可以看出，KMO 檢驗值為0.830，且Bartlett 球形度檢驗值在1‰的統(tǒng)計標(biāo)準(zhǔn)內(nèi)顯著達到3 016.016，因此農(nóng)村居民獲得感觀測變量因子分析有效.

特征值及方差貢獻率情況如表10 所示，根據(jù)上述的公因子提取原則和計算方法，共提取1 個公因子，該公因子得分即為獲得感的指數(shù).

表10 獲得感的公共因子及方差貢獻率

（6）農(nóng)村居民希望感.對希望感2 個變量的KMO 和Bartlett 球形度檢驗結(jié)果如表11 所示.

表11 希望感的KMO 和Bartlett 球形度檢驗

從表11 可以看出，KMO 檢驗值為0.500，且Bartlett 球形度檢驗值在1‰的統(tǒng)計標(biāo)準(zhǔn)內(nèi)顯著達到1 050.490，因此農(nóng)村居民希望感觀測變量因子分析有效.

特征值及方差貢獻率情況如表12 所示.

表12 希望感的公共因子及方差貢獻率

根據(jù)上述的公因子提取原則和計算方法，共提取1 個公因子，該公因子得分即為希望感的指數(shù).

最終獲得的幸福感六個維度數(shù)據(jù)描述統(tǒng)計如表13 所示.

3.2 系統(tǒng)聚類結(jié)果

利用因子分析的計算結(jié)果，根據(jù)樣本所在城市計算均值作為最終聚類的數(shù)據(jù)，繪制的樹狀圖如圖1 所示.

圖1 聚類分析的樹狀圖

從圖1 可以看出，根據(jù)農(nóng)村居民幸福感得分可將吉林省各城市分為三類：第一類{吉林、長春、松原}，第二類{延邊、通化、四平、遼源}，第三類{白山、白城}.農(nóng)村居民幸福感在三個類別中呈現(xiàn)高、中、低的趨勢，這也與各地區(qū)的經(jīng)濟發(fā)展水平比較符合.

3.3 K-均值聚類分析結(jié)果

本文利用K-均值聚類分析把吉林省9 個城市居民分為三類，初始聚類中心和最終聚類中心如表14 所示.

表13 因子分析結(jié)果數(shù)據(jù)描述性分析

表14 聚類中心

綜上可知，6 個變量對于聚類具有顯著的貢獻，本次分類的結(jié)果為第一類{白山、白城}，第二類{吉林、長春、松原}，第三類{延邊、通化、四平、遼源}.從三個類的最終聚類中心可以看出，第二類各指標(biāo)值是最優(yōu)的.分類結(jié)果與系統(tǒng)聚類結(jié)果高度一致.

4 結(jié)論

利用因子分析模型將農(nóng)村居民幸福感的六個維度18 個指標(biāo)提取成6 個公共因子，計算出每一個調(diào)研樣品公共因子得分，運用得分?jǐn)?shù)據(jù)根據(jù)樣本所在城市計算均值作為最終聚類的數(shù)據(jù)，系統(tǒng)聚類分析和K-均值聚類分析的結(jié)果一致，調(diào)研地區(qū)農(nóng)村居民根據(jù)幸福感得分可將吉林省各城市分為三類，分別為{吉林、長春、松原}，{延邊、通化、四平、遼源}和{白山、白城}，農(nóng)村居民幸福感在三個類別中呈現(xiàn)高、中、低的趨勢，聚類分析結(jié)果與地區(qū)的經(jīng)濟發(fā)展水平符合.